COTA：通过排序与深度网络提升客户支持的速度与准确性
机器学习
2018-07-05 v1 计算与语言
机器学习
摘要
对于希望提供愉悦用户体验的公司而言，妥善处理客户问题至关重要。本文提出 COTA，一个通过自动化工单分类和为支持代表提供答案选择，从而提升终端用户客户支持速度与可靠性的系统。文中展示了两种机器学习与自然语言处理技术：一种依赖特征工程（COTA v1），另一种通过深度学习架构利用原始信号（COTA v2）。COTA v1 采用一种新方法，将多分类任务转化为排序问题，在数千个类别的情况下表现出显著更优的性能。对于 COTA v2，我们提出 Encoder-Combiner-Decoder，一种允许异构输入与输出特征类型并通过网络架构选择注入先验知识的新型深度学习架构。本文在工单分类与答案选择任务上比较了这些模型及其变体，显示 COTA v2 优于 COTA v1，并分析了它们的内部机制与不足。最后，在生产环境中进行了 A/B 测试，验证了 COTA 在将问题解决时间减少 10% 的同时不降低客户满意度的实际影响。
引用
@article{arxiv.1807.01337,
title = {COTA: Improving the Speed and Accuracy of Customer Support through Ranking and Deep Networks},
author = {Piero Molino and Huaixiu Zheng and Yi-Chia Wang},
journal= {arXiv preprint arXiv:1807.01337},
year = {2018}
}